Mestrado Biologia

Análise do Jogo de Imagens aplicadas no Ensino médio

Amostra dos dados da pesquisa realizada

Tabulação do número de acertos dos itens do jogo de imagens.

Coluna	Descrição
Exoticas	Número de acertos dentre todas as imagens exibidas do tipo exótica, valor experado é 5.
Nativas	Número de acertos dentre todas as imagens exibidas do tipo nativa, valor experado é 5.

head(pos_gabarito$dados, 10)

Determinado a taxa de percepção

Entende-se por taxa de percepção o fator determinado pela quantidade média de acertos dentre as questões apresentadas aos alunos, em relação a turma em que o questionario foi aplicado.

print(pos_gabarito$proporcoes$por_turma)

Teste de normalidade

Para determinar a normalidade nas distribuiçoes das respostas do jogo de imagens.

Identificação médio das turmas (nomes das espécies & origens)

grid.arrange(t1$plot, t2$plot,
             t1$normalidade, t2$normalidade,
             t3$plot, t4$plot,
             t3$normalidade, t4$normalidade,
             ncol = 2,
             heights = c(3,2,3,2),
             top = textGrob("Densidade de identificação média das turmas entre \nespecies e suas origens\n",
                            gp = gpar(fontsize = 20, font = 2))
             )

Indice de reconhecimento médio das turmas

grid.arrange(t5$plot, t6$plot,
             t5$normalidade, t6$normalidade,
             ncol = 2,
             heights = c(4,3),
             top = textGrob("Densidade dos indices de reconhecimento médio das turmas\n",
                            gp = gpar(fontsize = 20, font = 2))
             )

Q-Q Test

qqplot.data <- function (vec, titulo) {
  # following four lines from base R's qqline()
  y <- quantile(vec[!is.na(vec)], c(0.25, 0.75))
  x <- qnorm(c(0.25, 0.75))
  slope <- diff(y)/diff(x)
  int <- y[1L] - slope * x[1L]
  d <- data.frame(resids = vec)
  ggplot(d, aes(sample = resids)) + 
      stat_qq() + 
      geom_abline(slope = slope, intercept = int, col = "red") +
      xlim(-2, 2) +
      ylim(0, 1) +
      theme_bw() +
      labs(
        title = titulo
    )
}
q1 <- qqplot.data(pos_gabarito$proporcoes$por_turma$p_nativas, "Identificação do nome das espécies de origem Nativas")
q2 <- qqplot.data(pos_gabarito$proporcoes$por_turma$p_exoticas, "Identificação do nome das espécies de origem Exoticas")
q3 <- qqplot.data(pos_gabarito$proporcoes$por_turma$p_origem_nativas, "Identificação de origem Nativas")
q4 <- qqplot.data(pos_gabarito$proporcoes$por_turma$p_origem_exoticas, "Identificação de origem Exoticas")
q5 <- qqplot.data(pos_gabarito$proporcoes$por_turma$p_indice_nativas, "Indice de reconhecimento Nativas (origens + espécies)")
q6 <- qqplot.data(pos_gabarito$proporcoes$por_turma$p_indice_exoticas, "Indice de reconhecimento Exoticas (origens + espécies)")
grid.arrange(q1, q2, 
             q3, q4,
             q5, q6,
             ncol = 2,
             top = textGrob("Normal Q-Q Plot\n", 
                            gp = gpar(fontsize = 20, font = 2))
             )

Teste de variância

Para determinar a variância

variancia <- data.frame(
    Algoritmo = c("F test to compare two variances"),
    "Comparação" = c("Nativas x Exóticas"),
    "Variável" = c(
        "Indice de reconhecimento",
        "Identificação do nome das espécies",
        "Identificação da origem"
    ),
    "p_valor" = c(
        var.test(pos_gabarito$proporcoes$por_turma$p_indice_nativas, 
                 pos_gabarito$proporcoes$por_turma$p_indice_exoticas, 
                 alternative = "two.sided")$p.value,
        var.test(pos_gabarito$proporcoes$por_turma$p_nativas, 
                 pos_gabarito$proporcoes$por_turma$p_exoticas, 
                 alternative = "two.sided")$p.value,
        var.test(pos_gabarito$proporcoes$por_turma$p_origem_nativas, 
                 pos_gabarito$proporcoes$por_turma$p_origem_exoticas, 
                 alternative = "two.sided")$p.value
    )
)
variancia <- variancia %>%
    mutate(
        variancia = p_valor > 0.05,
        p_valor = cell_spec(round(p_valor, 4), bold = T, color = "black", align = "right"),
        variancia = cell_spec(variancia, bold = variancia,
                       color= ifelse(variancia, "white", "black"), 
                       background = ifelse(variancia, "green", "#CCCCCC"))
    )
variancia %>%
  kable(escape = F) %>%
  kable_styling(c("striped", "bordered"), full_width = TRUE) %>%
  column_spec(1, bold = TRUE) %>%
  collapse_rows(columns = 1:2, valign = "top") 

Algoritmo	Comparação	Variável	p_valor	variancia
F test to compare two variances	Nativas x Exóticas	Indice de reconhecimento	0.279	TRUE
		Identificação do nome das espécies	0.6553	TRUE
		Identificação da origem	0.0343	FALSE

Analises descritivas

head(pos_gabarito$especies, 10)

Indice de identificação por Origem

pos_gabarito$especies %>% 
    ggplot(aes(especieDesc, fr, fill = grupo)) + 
    geom_bar(stat="identity") +
    geom_text(aes(label = paste0(round(fr * 100, 1), "%")), 
              position = position_dodge(0.9), vjust = 0.5,
              hjust = -0.5) +
    scale_y_continuous(limits = c(0,1.2), labels = scales::percent) +
    facet_wrap(~origem, scales = "free_y") +
    coord_flip() +
    theme_bw() +
    labs(title = "Indice de Identificação por Origem",
         fill = "Grupos", x = "", y = "\nFrequencia relativa") +
    my_theme

Indice de identificação por Espécie

pos_gabarito$especies %>% 
    ggplot(aes(especieDesc, fr, fill = origem)) + 
    geom_bar(stat="identity") +
    geom_text(aes(label = paste0(round(fr * 100, 1), "%")), 
              position = position_dodge(0.9), vjust = 0.5,
              hjust = -0.3) +
    scale_y_continuous(limits = c(0,1.2), labels = scales::percent) +
    facet_wrap(~grupo, scales = "free_y") +
    coord_flip() +
    theme_bw() +
    labs(title = "Indice de Identificação por Espécie",
         fill = "Origem", x = "", y = "\nFrequencia relativa") +
    my_theme

Testes de hipoteses

Esperado p-valor >= 0.05 na normalidade (espera-se H0) Esperado p-valor <= 0.05 no teste de hipotese (espera-se H1)

1 - Os alunos itendificam mais os nomes dos animais de espécies exóticas que os animais de espécies nativas.

tmp <- pos_gabarito$proporcoes$por_turma %>%
  select(turmas, p_nome_exoticas = p_exoticas, p_nome_nativas = p_nativas, p_origem_exoticas:p_indice_nativas) %>%
  melt(id = "turmas")
cbind(tmp, colsplit(tmp$variable, "_", c("p", "indicador", "origem"))) %>%
  select(turmas, indicador, origem, value) %>%
  ggplot() + 
  geom_boxplot(aes(x = origem, y = value, fill = origem), show.legend = T) + 
  scale_y_continuous(limits = c(0,1), labels = scales::percent) +
  facet_wrap(~indicador) +
  theme_bw() +
  labs(title = "Boxplot de identificação dos critérios estabelecidos",
       y = "Percentual de identificação", x = "") +
  my_theme

t1 <- t.test(
       pos_gabarito$proporcoes$por_turma$p_indice_exoticas, 
       pos_gabarito$proporcoes$por_turma$p_indice_nativas, 
       alternative = "two.sided", paired = F, var.equal = T)
t2 <- t.test(
       pos_gabarito$proporcoes$por_turma$p_exoticas, 
       pos_gabarito$proporcoes$por_turma$p_nativas, 
       alternative = "two.sided", paired = F, var.equal = T)
t3 <- t.test(
       pos_gabarito$proporcoes$por_turma$p_origem_exoticas, 
       pos_gabarito$proporcoes$por_turma$p_origem_nativas, 
       alternative = "two.sided", paired = F, var.equal = T)
data.frame(
    Algoritmo = c(t1$method, t2$method, t3$method),
    "Comparação" = c("Exóticas x Nativas"),
    "Variável" = c(
        "Indice de reconhecimento",
        "Identificação do nome das espécies",
        "Identificação da origem"
    ),
    p_valor = c(t1$p.value, t2$p.value, t3$p.value),
    H0 = c(t1$p.value >= 0.05, t2$p.value >= 0.05, t3$p.value >= 0.05),
    H1 = c(t1$p.value < 0.05, t2$p.value < 0.05, t3$p.value < 0.05),
    "Confiança" = c(
        paste(paste0(round(t1$conf.int * 100, 2), "%"), collapse = " ~ "),
        paste(paste0(round(t2$conf.int * 100, 2), "%"), collapse = " ~ "),
        paste(paste0(round(t3$conf.int * 100, 2), "%"), collapse = " ~ ")
    )
) %>%
  mutate(
    p_valor = cell_spec(p_valor, bold = T, color = "black", align = "right"),
    H0 = cell_spec(H0, bold = H0,
                   color= ifelse(H0, "white", "black"), 
                   background = ifelse(H0, "green", "#CCCCCC")),
    H1 = cell_spec(H1, bold = H1, 
                   color = ifelse(H1, "white", "black"), 
                   background = ifelse(H1, "green", "#CCCCCC"))
  ) %>%
  kable(escape = F) %>%
  kable_styling(c("striped", "bordered"), full_width = TRUE) %>%
  column_spec(1, bold = TRUE) %>%
#  column_spec(4, bold = T, color = "darkblue") %>%
  collapse_rows(columns = 1:2, valign = "top") %>%
  footnote(general = "Intervalo de confiança 95%",
           general_title = "\nObs.: ",
           footnote_as_chunk = T)

Algoritmo	Comparação	Variável	p_valor	H0	H1	Confiança
Two Sample t-test	Exóticas x Nativas	Indice de reconhecimento	0.00829379088264213	FALSE	TRUE	3.25% ~ 20.26%
		Identificação do nome das espécies	2.77135680934484e-09	FALSE	TRUE	27.69% ~ 46.21%
		Identificação da origem	3.74320861066021e-12	FALSE	TRUE	-33% ~ -22.49%
Obs.: Intervalo de confiança 95%

2 - Os alunos identificam mais espécies de origem exótica que as de origem nativa.

t.test(pos_gabarito$proporcoes$por_turma$p_origem_nativas, 
       pos_gabarito$proporcoes$por_turma$p_origem_exoticas, 
       alternative = "two.sided", paired = F, var.equal = T)

    Two Sample t-test

data:  pos_gabarito$proporcoes$por_turma$p_origem_nativas and pos_gabarito$proporcoes$por_turma$p_origem_exoticas
t = 11, df = 32, p-value = 4e-12
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 0.2249 0.3300
sample estimates:
mean of x mean of y 
   0.8005    0.5231 

3 - Os alunos identificam mais as espécies exóticas (nome dos animais e origem) que espécies nativas.

ANOVA

4 - Os alunos reconhecem mais mamíferos do que os demais grupos taxonómicos.

pos_gabarito$taxonomicos %>%
    ggplot() + 
    geom_boxplot(aes(x = grupo, y = value, fill = origem), show.legend = T) + 
    scale_y_continuous(limits = c(0,1), labels = scales::percent) +
    theme_bw() +
    labs(title = "Boxplot de identificação de espécies por grupo taxonômico",
         y = "Percentual de identificação", x = "") +
    my_theme

anova(lm(value ~ grupo * origem, pos_gabarito$taxonomicos))

Analysis of Variance Table

Response: value
              Df Sum Sq Mean Sq F value Pr(>F)    
grupo          4   0.71    0.18    2.37  0.055 .  
origem         1   5.80    5.80   77.52  2e-15 ***
grupo:origem   4   0.79    0.20    2.63  0.037 *  
Residuals    160  11.98    0.07                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

TukeyHSD(aov(lm(value ~ grupo * origem, pos_gabarito$taxonomicos)))

  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = lm(value ~ grupo * origem, pos_gabarito$taxonomicos))

$grupo
                           diff      lwr     upr  p adj
invertebrado-aves     -0.152016 -0.33512 0.03109 0.1533
mamifero-aves          0.002443 -0.18066 0.18554 1.0000
peixe-aves            -0.050865 -0.23397 0.13224 0.9398
reptil-aves           -0.130897 -0.31400 0.05221 0.2842
mamifero-invertebrado  0.154459 -0.02864 0.33756 0.1416
peixe-invertebrado     0.101150 -0.08195 0.28425 0.5483
reptil-invertebrado    0.021119 -0.16198 0.20422 0.9978
peixe-mamifero        -0.053308 -0.23641 0.12979 0.9293
reptil-mamifero       -0.133339 -0.31644 0.04976 0.2663
reptil-peixe          -0.080031 -0.26313 0.10307 0.7479

$origem
                  diff     lwr     upr p adj
nativa-exotica -0.3695 -0.4524 -0.2866     0

$`grupo:origem`
                                              diff     lwr       upr  p adj
invertebrado:exotica-aves:exotica        -0.033503 -0.3347  0.267652 1.0000
mamifero:exotica-aves:exotica             0.103885 -0.1973  0.405040 0.9834
peixe:exotica-aves:exotica                0.109394 -0.1918  0.410549 0.9764
reptil:exotica-aves:exotica              -0.143444 -0.4446  0.157711 0.8788
aves:nativa-aves:exotica                 -0.222463 -0.5236  0.078692 0.3507
invertebrado:nativa-aves:exotica         -0.492991 -0.7941 -0.191836 0.0000
mamifero:nativa-aves:exotica             -0.321463 -0.6226 -0.020307 0.0262
peixe:nativa-aves:exotica                -0.433588 -0.7347 -0.132433 0.0003
reptil:nativa-aves:exotica               -0.340812 -0.6420 -0.039657 0.0135
mamifero:exotica-invertebrado:exotica     0.137388 -0.1638  0.438544 0.9042
peixe:exotica-invertebrado:exotica        0.142898 -0.1583  0.444053 0.8812
reptil:exotica-invertebrado:exotica      -0.109941 -0.4111  0.191214 0.9756
aves:nativa-invertebrado:exotica         -0.188960 -0.4901  0.112195 0.5909
invertebrado:nativa-invertebrado:exotica -0.459488 -0.7606 -0.158333 0.0001
mamifero:nativa-invertebrado:exotica     -0.287959 -0.5891  0.013196 0.0739
peixe:nativa-invertebrado:exotica        -0.400085 -0.7012 -0.098930 0.0014
reptil:nativa-invertebrado:exotica       -0.307309 -0.6085 -0.006154 0.0414
peixe:exotica-mamifero:exotica            0.005509 -0.2956  0.306665 1.0000
reptil:exotica-mamifero:exotica          -0.247329 -0.5485  0.053826 0.2102
aves:nativa-mamifero:exotica             -0.326348 -0.6275 -0.025193 0.0223
invertebrado:nativa-mamifero:exotica     -0.596876 -0.8980 -0.295721 0.0000
mamifero:nativa-mamifero:exotica         -0.425347 -0.7265 -0.124192 0.0005
peixe:nativa-mamifero:exotica            -0.537473 -0.8386 -0.236318 0.0000
reptil:nativa-mamifero:exotica           -0.444697 -0.7459 -0.143542 0.0002
reptil:exotica-peixe:exotica             -0.252838 -0.5540  0.048317 0.1851
aves:nativa-peixe:exotica                -0.331858 -0.6330 -0.030703 0.0185
invertebrado:nativa-peixe:exotica        -0.602386 -0.9035 -0.301230 0.0000
mamifero:nativa-peixe:exotica            -0.430857 -0.7320 -0.129702 0.0004
peixe:nativa-peixe:exotica               -0.542982 -0.8441 -0.241827 0.0000
reptil:nativa-peixe:exotica              -0.450207 -0.7514 -0.149052 0.0002
aves:nativa-reptil:exotica               -0.079019 -0.3802  0.222136 0.9978
invertebrado:nativa-reptil:exotica       -0.349547 -0.6507 -0.048392 0.0099
mamifero:nativa-reptil:exotica           -0.178018 -0.4792  0.123137 0.6712
peixe:nativa-reptil:exotica              -0.290144 -0.5913  0.011011 0.0694
reptil:nativa-reptil:exotica             -0.197368 -0.4985  0.103787 0.5282
invertebrado:nativa-aves:nativa          -0.270528 -0.5717  0.030627 0.1192
mamifero:nativa-aves:nativa              -0.098999 -0.4002  0.202156 0.9881
peixe:nativa-aves:nativa                 -0.211125 -0.5123  0.090030 0.4278
reptil:nativa-aves:nativa                -0.118349 -0.4195  0.182806 0.9606
mamifero:nativa-invertebrado:nativa       0.171529 -0.1296  0.472684 0.7167
peixe:nativa-invertebrado:nativa          0.059403 -0.2418  0.360558 0.9998
reptil:nativa-invertebrado:nativa         0.152179 -0.1490  0.453334 0.8358
peixe:nativa-mamifero:nativa             -0.112126 -0.4133  0.189030 0.9722
reptil:nativa-mamifero:nativa            -0.019350 -0.3205  0.281805 1.0000
reptil:nativa-peixe:nativa                0.092776 -0.2084  0.393931 0.9926

5 - Estudantes que residem na Cidade 1 (com UC) identificam mais espécies nativas do que estudantes que residem na Cidade 2 (sem UC).

tmp <-
    merge(
        pos_gabarito$dados %>% 
            select(turmas, municipio) %>% 
            unique(),
        pos_gabarito$proporcoes$por_turma_area
    ) %>%
    select(municipio, area, value = p_nativas) %>%
    tbl_df()
t.test(value ~ municipio, tmp)

    Welch Two Sample t-test

data:  value by municipio
t = 0.83, df = 28, p-value = 0.4
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -0.06479  0.15254
sample estimates:
mean in group Bela Vista de Goiás            mean in group Silvânia 
                           0.3869                            0.3431 

# anova(lm(value ~ municipio, tmp))
# #plot(lm(value ~ municipio, tmp))
# TukeyHSD(aov(lm(value ~ municipio, tmp)))

tmp %>%
  ggplot() + 
  geom_boxplot(aes(x = area, y = value, fill = municipio), show.legend = T) + 
  scale_y_continuous(limits = c(0,1), labels = scales::percent) +
  facet_wrap(~municipio) +
  theme_bw() +
  labs(title = "Boxplot de identificação de espécies Nativas nos critérios estabelecidos",
       y = "Percentual de identificação", x = "") +
  my_theme

6 - Estudantes que residem em área rural tem maior conhecimento sobre as espécies nativas.

tmp <- 
    pos_gabarito$proporcoes$por_turma_area %>%
    select(municipio, area, p_nome_nativas = p_nativas, p_origem_nativas, p_indice_nativas) %>%
    arrange(area) %>%
    melt(id = c("municipio", "area"))
tmp <-
    cbind(tmp, colsplit(tmp$variable, "_", c("p", "indicador", "origem"))) %>%
    select(municipio, area, indicador, origem, value)
tmp %>%
  ggplot() + 
  geom_boxplot(aes(x = area, y = value, fill = municipio), show.legend = T) + 
  scale_y_continuous(limits = c(0,1), labels = scales::percent) +
  facet_wrap(~indicador) +
  theme_bw() +
  labs(title = "Boxplot de identificação de espécies Nativas nos critérios estabelecidos",
       y = "Percentual de identificação", x = "") +
  my_theme

#boxplot(value  ~ municipio + area, data = tmp)
# interaction.plot(tmp$area, tmp$municipio, tmp$value)
# interaction.plot(tmp$municipio, tmp$area, tmp$value)
# aggregate(value ~ area * municipio, data = tmp, FUN = function(x) shapiro.test(x)$p.value)
# tmp$bart = paste(tmp$municipio, "-", tmp$area)
# bartlett.test(value ~ bart, data = tmp)
t.anova <- anova(lm(value  ~ municipio * area, data = tmp %>% filter(indicador == "indice")))
t.anova %>%
    kable() %>%
    kable_styling(c("striped", "bordered"), full_width = TRUE) %>%
    column_spec(1, bold = TRUE)

	Df	Sum Sq	Mean Sq	F value	Pr(>F)
municipio	1	0.0032	0.0032	0.1321	0.7189
area	1	0.0105	0.0105	0.4332	0.5156
municipio:area	1	0.0001	0.0001	0.0021	0.9633
Residuals	29	0.7057	0.0243	NA	NA

tukey <- TukeyHSD(aov(lm(value  ~ municipio * area, data = tmp %>% filter(indicador == "indice"))))
tukey

  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = lm(value ~ municipio * area, data = tmp %>% filter(indicador == "indice")))

$municipio
                                 diff     lwr     upr  p adj
Silvânia-Bela Vista de Goiás -0.01975 -0.1309 0.09138 0.7189

$area
                diff      lwr    upr  p adj
Urbana-Rural 0.03575 -0.07538 0.1469 0.5158

$`municipio:area`
                                                         diff     lwr    upr  p adj
Silvânia:Rural-Bela Vista de Goiás:Rural             -0.02339 -0.2359 0.1891 0.9904
Bela Vista de Goiás:Urbana-Bela Vista de Goiás:Rural  0.03318 -0.1793 0.2457 0.9737
Silvânia:Urbana-Bela Vista de Goiás:Rural             0.01483 -0.1917 0.2213 0.9973
Bela Vista de Goiás:Urbana-Silvânia:Rural             0.05658 -0.1559 0.2691 0.8861
Silvânia:Urbana-Silvânia:Rural                        0.03823 -0.1683 0.2447 0.9574
Silvânia:Urbana-Bela Vista de Goiás:Urbana           -0.01835 -0.2249 0.1882 0.9949

#plot(tukey)
tk <- as.data.frame(tukey$`municipio:area`)
tk$comparacao = rownames(tk)
rownames(tk) = NULL
tk %>%
    select(comparacao, diff:`p adj`) %>%
    mutate(significancia = `p adj` <= 0.05) %>%
    kable() %>%
    kable_styling(c("striped", "bordered"), full_width = TRUE) %>%
    column_spec(1, bold = TRUE)

comparacao	diff	lwr	upr	p adj	significancia
Silvânia:Rural-Bela Vista de Goiás:Rural	-0.0234	-0.2359	0.1891	0.9904	FALSE
Bela Vista de Goiás:Urbana-Bela Vista de Goiás:Rural	0.0332	-0.1793	0.2457	0.9737	FALSE
Silvânia:Urbana-Bela Vista de Goiás:Rural	0.0148	-0.1917	0.2213	0.9973	FALSE
Bela Vista de Goiás:Urbana-Silvânia:Rural	0.0566	-0.1559	0.2691	0.8861	FALSE
Silvânia:Urbana-Silvânia:Rural	0.0382	-0.1683	0.2447	0.9574	FALSE
Silvânia:Urbana-Bela Vista de Goiás:Urbana	-0.0184	-0.2249	0.1882	0.9949	FALSE

7 -

8 - Frequencia de contato natureza

tmp <- 
    pos_gabarito$proporcoes$por_turma_freq_contato %>%
    select(frequencia, p_nome_nativas = p_nativas, p_origem_nativas, p_indice_nativas) %>%
    arrange(frequencia) %>%
    melt(id = "frequencia")
tmp <-
    cbind(tmp, colsplit(tmp$variable, "_", c("p", "indicador", "origem"))) %>%
    select(frequencia, indicador, origem, value)
tmp %>%
  ggplot() + 
  geom_boxplot(aes(x = frequencia, y = value, fill = frequencia), show.legend = T) + 
  scale_y_continuous(limits = c(0,1), labels = scales::percent) +
  facet_wrap(~indicador) +
  theme_bw() +
  labs(title = "Boxplot de identificação de espécies Nativas nos critérios estabelecidos",
       y = "Percentual de identificação", x = "") +
  my_theme

# aggregate(value ~ frequencia, 
#           data = tmp %>% filter(indicador == "indice"), 
#           FUN = function(x) shapiro.test(x)$p.value)
t.anova <- anova(lm(value  ~ frequencia, data = tmp %>% filter(indicador == "indice")))
t.anova %>%
    kable() %>%
    kable_styling(c("striped", "bordered"), full_width = TRUE) %>%
    column_spec(1, bold = TRUE)

	Df	Sum Sq	Mean Sq	F value	Pr(>F)
frequencia	4	0.1316	0.0329	1.279	0.2883
Residuals	61	1.5693	0.0257	NA	NA

tukey <- TukeyHSD(aov(lm(value  ~ frequencia, data = tmp %>% filter(indicador == "indice"))))
tukey

  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = lm(value ~ frequencia, data = tmp %>% filter(indicador == "indice")))

$frequencia
                              diff      lwr    upr  p adj
Raramente-Nunca           0.370714 -0.09599 0.8374 0.1816
Ás vezes-Nunca            0.325893 -0.13806 0.7898 0.2906
Frequentemente-Nunca      0.332468 -0.13148 0.7964 0.2716
Sempre-Nunca              0.334260 -0.12969 0.7982 0.2665
Ás vezes-Raramente       -0.044821 -0.20755 0.1179 0.9371
Frequentemente-Raramente -0.038247 -0.20097 0.1245 0.9639
Sempre-Raramente         -0.036454 -0.19918 0.1263 0.9697
Frequentemente-Ás vezes   0.006574 -0.14808 0.1612 1.0000
Sempre-Ás vezes           0.008367 -0.14628 0.1630 0.9999
Sempre-Frequentemente     0.001793 -0.15286 0.1564 1.0000

#plot(tukey)
tk <- as.data.frame(tukey$frequencia)
tk$comparacao = rownames(tk)
rownames(tk) = NULL
tk %>%
    select(comparacao, diff:`p adj`) %>%
    mutate(significancia = `p adj` <= 0.05) %>%
    kable() %>%
    kable_styling(c("striped", "bordered"), full_width = TRUE) %>%
    column_spec(1, bold = TRUE)

comparacao	diff	lwr	upr	p adj	significancia
Raramente-Nunca	0.3707	-0.0960	0.8374	0.1816	FALSE
Ás vezes-Nunca	0.3259	-0.1381	0.7898	0.2906	FALSE
Frequentemente-Nunca	0.3325	-0.1315	0.7964	0.2716	FALSE
Sempre-Nunca	0.3343	-0.1297	0.7982	0.2665	FALSE
Ás vezes-Raramente	-0.0448	-0.2075	0.1179	0.9371	FALSE
Frequentemente-Raramente	-0.0382	-0.2010	0.1245	0.9639	FALSE
Sempre-Raramente	-0.0365	-0.1992	0.1263	0.9697	FALSE
Frequentemente-Ás vezes	0.0066	-0.1481	0.1612	1.0000	FALSE
Sempre-Ás vezes	0.0084	-0.1463	0.1630	0.9999	FALSE
Sempre-Frequentemente	0.0018	-0.1529	0.1564	1.0000	FALSE

9 - Fez aulas praticas

tmp <- 
    pos_gabarito$proporcoes$por_turma_fez_aula %>%
    select(fez.aula, p_nome_nativas = p_nativas, p_origem_nativas, p_indice_nativas) %>%
    arrange(fez.aula) %>%
    melt(id = "fez.aula")
tmp <- cbind(tmp, colsplit(tmp$variable, "_", c("p", "indicador", "origem"))) %>%
  select(fez.aula, indicador, origem, value) 
tmp %>%
  ggplot() + 
  geom_boxplot(aes(x = fez.aula, y = value, fill = fez.aula), show.legend = T) + 
  scale_y_continuous(limits = c(0,1), labels = scales::percent) +
  facet_wrap(~indicador) +
  theme_bw() +
  labs(title = "Boxplot de identificação de espécies Nativas nos critérios estabelecidos - Alunos que fizeram aula",
       y = "Percentual de identificação", x = "") +
  my_theme

anova_fez.aula <- teste.anova(formula = value ~ fez.aula, 
            data = tmp %>% filter(indicador == "indice"))
anova_fez.aula$teste.normalidade

fez.aula	value	H0	normalidade
Não fez	0.4445	FALSE	FALSE
Sim, fazenda	0.6779	FALSE	FALSE
Sim, FLONA	0.2359	FALSE	FALSE
Sim, memorial do cerrado	0.8784	FALSE	FALSE
Sim, outro	0.2117	FALSE	FALSE
Sim, parque ou trilha	0.0414	TRUE	TRUE
Sim, zoologico	0.4950	FALSE	FALSE

anova_fez.aula$teste.anova

Analysis of Variance Table

Response: value
          Df Sum Sq Mean Sq F value Pr(>F)
fez.aula   6  0.127  0.0212    0.62   0.71
Residuals 61  2.085  0.0342               

anova_fez.aula$tabela.tukey

comparacao	diff	lwr	upr	p adj	significancia
Sim, fazenda-Não fez	-0.1000	-0.3867	0.1868	0.9364	FALSE
Sim, FLONA-Não fez	0.0446	-0.1971	0.2863	0.9976	FALSE
Sim, memorial do cerrado-Não fez	0.0481	-0.2050	0.3012	0.9972	FALSE
Sim, outro-Não fez	0.0467	-0.2210	0.3143	0.9983	FALSE
Sim, parque ou trilha-Não fez	-0.0155	-0.2088	0.1779	1.0000	FALSE
Sim, zoologico-Não fez	0.0675	-0.1742	0.3092	0.9781	FALSE
Sim, FLONA-Sim, fazenda	0.1446	-0.1768	0.4659	0.8144	FALSE
Sim, memorial do cerrado-Sim, fazenda	0.1481	-0.1820	0.4781	0.8164	FALSE
Sim, outro-Sim, fazenda	0.1467	-0.1946	0.4880	0.8446	FALSE
Sim, parque ou trilha-Sim, fazenda	0.0845	-0.2023	0.3713	0.9715	FALSE
Sim, zoologico-Sim, fazenda	0.1675	-0.1538	0.4888	0.6895	FALSE
Sim, memorial do cerrado-Sim, FLONA	0.0035	-0.2882	0.2952	1.0000	FALSE
Sim, outro-Sim, FLONA	0.0021	-0.3023	0.3065	1.0000	FALSE
Sim, parque ou trilha-Sim, FLONA	-0.0601	-0.3017	0.1816	0.9880	FALSE
Sim, zoologico-Sim, FLONA	0.0229	-0.2589	0.3047	1.0000	FALSE
Sim, outro-Sim, memorial do cerrado	-0.0014	-0.3150	0.3122	1.0000	FALSE
Sim, parque ou trilha-Sim, memorial do cerrado	-0.0636	-0.3167	0.1896	0.9874	FALSE
Sim, zoologico-Sim, memorial do cerrado	0.0194	-0.2723	0.3112	1.0000	FALSE
Sim, parque ou trilha-Sim, outro	-0.0622	-0.3298	0.2055	0.9916	FALSE
Sim, zoologico-Sim, outro	0.0208	-0.2836	0.3252	1.0000	FALSE
Sim, zoologico-Sim, parque ou trilha	0.0830	-0.1587	0.3247	0.9406	FALSE

10 - Estudantes da Cidade 1 (com UC) tem maior número de acertos de espécies nativas.

tmp <- 
    pos_gabarito$proporcoes$por_turma_flona %>%
    select(flona, p_nome_nativas = p_nativas, p_origem_nativas, p_indice_nativas) %>%
    arrange(flona) %>%
    melt(id = "flona")
tmp <- cbind(tmp, colsplit(tmp$variable, "_", c("p", "indicador", "origem"))) %>%
  select(flona, indicador, origem, value) 
tmp %>%
  ggplot() + 
  geom_boxplot(aes(x = flona, y = value, fill = flona), show.legend = T) + 
  scale_y_continuous(limits = c(0,1), labels = scales::percent) +
  facet_wrap(~indicador) +
  theme_bw() +
  labs(title = "Boxplot de identificação de espécies Nativas nos critérios estabelecidos - Alunos que visitaram a Flona",
       y = "Percentual de identificação", x = "") +
  my_theme

anova_flona <- teste.anova(formula = value ~ flona, 
            data = tmp %>% filter(indicador == "indice"))
anova_flona$teste.normalidade

flona	value	H0	normalidade
Não	0.2036	FALSE	FALSE
Sim	0.0249	TRUE	TRUE

anova_flona$teste.anova

Analysis of Variance Table

Response: value
          Df Sum Sq Mean Sq F value Pr(>F)
flona      1  0.015  0.0147    0.48    0.5
Residuals 16  0.485  0.0303               

anova_flona$tabela.tukey

comparacao	diff	lwr	upr	p adj	significancia
Sim-Não	0.0571	-0.1168	0.2311	0.4962	FALSE

11 - Ranking dos animais

a1 <- 
    pos_gabarito$raking_animais$nativos %>%
    head(20) %>%
    ggplot(aes(x = animais, y = freq, fill = freq)) +
    geom_bar(stat="identity", show.legend = F) +
    geom_text(aes(label = freq), position = position_dodge(0.9), vjust = -1, hjust = 0.5) +
    scale_y_continuous(limits = c(0,90)) +
    scale_fill_gradient(low = "orange", high = "red") +
    theme_bw() +
    labs(title = "Espécies citadas como nativas",
       y = "Frequencia", x = "") +
    my_theme
a2 <- 
    pos_gabarito$raking_animais$exoticos %>%
    head(20) %>%
    ggplot(aes(x = animais, y = freq, fill = freq)) +
    geom_bar(stat="identity", show.legend = F) +
    geom_text(aes(label = freq), position = position_dodge(0.9), vjust = -1, hjust = 0.5) +
    scale_y_continuous(limits = c(0,90)) +
    scale_fill_gradient(low = "lightblue", high = "darkblue") +
    theme_bw() +
    labs(title = "Espécies citadas como exóticas",
       y = "Frequencia", x = "") +
    my_theme
grid.arrange(a1, a2,
             nrow = 2,
             top = textGrob("TOP 20 - Ranking das espécies citadas como exemplo\n", 
                            gp = gpar(fontsize = 20, font = 2))
)

13 - Ranking dos animais citados para proteção